智能密度×Token價(jià)值，才是下階段AI的核心競爭力。

作者｜麥子

編輯｜栗子

AI熱身賽已經(jīng)結(jié)束。

過去三年，大模型行業(yè)奉行的邏輯簡單粗暴，認(rèn)為參數(shù)越大越好，推理鏈越長越聰明，算力投入越高越能打。千億、萬億參數(shù)的軍備競賽，一度成為衡量一家AI公司技術(shù)實(shí)力的最直觀標(biāo)尺。

可是，當(dāng)模型能力逐漸逼近天花板、Agent調(diào)用越來越頻繁，推理成本日益成為企業(yè)部署的隱形門檻。整個行業(yè)不得不開始思考一個新的問題：下一個階段，AI的核心競爭力是什么？

云知聲的回答是：智能密度×Token價(jià)值。

2025年6月8日，云知聲上市恰滿一年的時(shí)間節(jié)點(diǎn)，發(fā)布了自研新一代基座大模型U2。U2秉承高智能密度與高Token價(jià)值的設(shè)計(jì)哲學(xué)，從底層架構(gòu)開始重構(gòu)，采用快慢思考融合的MoE混合專家范式，以10B的極低激活參數(shù)實(shí)現(xiàn)行業(yè)頂級任務(wù)表現(xiàn)。

在業(yè)內(nèi)多項(xiàng)評測中，U2不僅在長文本、知識推理和指令遵循等核心基礎(chǔ)能力上全面領(lǐng)先，更在復(fù)雜代碼工程與Agent協(xié)同辦公等真實(shí)任務(wù)場景中躋身行業(yè)第一梯隊(duì)，以更低的算力投入兌現(xiàn)頂級任務(wù)完成能力，展現(xiàn)出企業(yè)級智能體大規(guī)模落地的現(xiàn)實(shí)價(jià)值。

可以看出，這不是一次簡單的產(chǎn)品迭代，而是云知聲用十三年積累回答AI行業(yè)下半場問題的一次公開發(fā)聲。參數(shù)競賽終會結(jié)束，但智能創(chuàng)造價(jià)值的能力，才決定一家AI公司最終能走多遠(yuǎn)。而云知聲先一步行動，開始推動大模型從“Token驅(qū)動”邁向“狀態(tài)驅(qū)動”的自主執(zhí)行時(shí)代。

1.從回答問題到完成任務(wù)，

U2為何一出現(xiàn)就能躋身第一梯隊(duì)？

過去三年，大模型行業(yè)幾乎都在遵循同一套邏輯。更大的參數(shù)規(guī)模、更多的訓(xùn)練數(shù)據(jù)、更高的算力投入，仿佛模型越大，能力就越強(qiáng)。

相比追逐萬億參數(shù)，U2更關(guān)注單位Token承載多少有效知識、創(chuàng)造多少業(yè)務(wù)價(jià)值。這背后的底層邏輯是云知聲提出的核心公式：AI行業(yè)價(jià)值=智能密度×Token價(jià)值。智能密度解決的是“單位參數(shù)里裝了多少真實(shí)知識”，Token價(jià)值解決的是“每一個輸出Token是否真正創(chuàng)造價(jià)值”。

最新的測評顯示，U2展現(xiàn)了極度務(wù)實(shí)、面向真實(shí)企業(yè)級落地場景優(yōu)化的強(qiáng)大實(shí)力。U2在長文本理解、核心知識推理和復(fù)雜指令遵循等基礎(chǔ)能力評測中全面領(lǐng)先，充分印證了其“高智能密度”的設(shè)計(jì)理念。

更值得關(guān)注的是，在代碼工程和Agent實(shí)戰(zhàn)等更接近真實(shí)生產(chǎn)環(huán)境的測試中，U2同樣穩(wěn)居行業(yè)第一梯隊(duì)。無論是深入真實(shí)GitHub開源倉庫完成代碼修復(fù)與單元測試跑通，還是在多工具協(xié)同的復(fù)雜辦公環(huán)境中完成長流程任務(wù)交付，U2都展現(xiàn)出原生Agent架構(gòu)所具備的規(guī)劃、執(zhí)行與驗(yàn)收能力。

這意味著，U2僅僅以僅10B激活參數(shù)，不僅在基礎(chǔ)模型能力上達(dá)到行業(yè)領(lǐng)先水平，更在真實(shí)任務(wù)場景中證明了自身的工程化落地能力，最終實(shí)現(xiàn)了比肩頂級大模型的任務(wù)完成效果。

但評測只是起點(diǎn)，真正的考驗(yàn)來自現(xiàn)實(shí)場景。對于優(yōu)秀的Agent來說，多步自主執(zhí)行能力意味著，不僅要會干活，更要能把活干完，甚至能夠處理越來越復(fù)雜的大型任務(wù)。

為了測試U2的工具調(diào)用與環(huán)境交互能力，我們給它布置了一個經(jīng)典任務(wù)：開發(fā)一款俄羅斯方塊小游戲，要求單文件運(yùn)行、支持方向鍵控制、實(shí)時(shí)計(jì)分，并具備完整視覺效果。

接收到任務(wù)后，U2直接自主完成需求拆解、架構(gòu)設(shè)計(jì)、代碼編寫、運(yùn)行驗(yàn)證等一系列操作。幾分鐘后，一個可直接運(yùn)行的產(chǎn)品已經(jīng)生成，可以看到漸變色方塊、動態(tài)粒子背景、完整交互邏輯一應(yīng)俱全。

更有挑戰(zhàn)的是多擺混沌系統(tǒng)模擬器。這個任務(wù)要求模型理解混沌擺背后的物理原理，從拉格朗日方程推導(dǎo)開始，完成數(shù)理建模、數(shù)值求解、動態(tài)渲染和交互控制，最終生成一個可實(shí)時(shí)運(yùn)行的可視化系統(tǒng)。

從科學(xué)原理到工程實(shí)現(xiàn)，U2能夠自主完成需求解析、架構(gòu)設(shè)計(jì)、代碼編寫、環(huán)境調(diào)試和自主Debug，展現(xiàn)了端到端的軟件工程交付能力。

可以看到，面對大型工程項(xiàng)目，U2不僅能夠維護(hù)多文件之間的依賴關(guān)系、接口定義和調(diào)用邏輯一致性，還能夠在復(fù)雜協(xié)作鏈路中完成代碼修改、功能驗(yàn)證與結(jié)果驗(yàn)收，將原本割裂的開發(fā)流程整合為一條完整的執(zhí)行鏈路。

但會干活，還不等于能高效、準(zhǔn)確地把活干完。真正考驗(yàn)Agent能力的，是面對長流程、多步驟任務(wù)時(shí)，能否持續(xù)保持目標(biāo)一致性，并最終完成交付。

我們讓U2生成一份新能源汽車行業(yè)全景分析報(bào)告：要從市場規(guī)模、競爭格局、技術(shù)路線、政策環(huán)境、基礎(chǔ)設(shè)施、未來趨勢等維度進(jìn)行分析，判斷新能源汽車行業(yè)的發(fā)展趨勢。

這類任務(wù)背后涉及市場數(shù)據(jù)獲取、行業(yè)信息檢索、風(fēng)險(xiǎn)測算、風(fēng)格分析、宏觀研判以及最終報(bào)告生成等多個環(huán)節(jié)。最終U2呈現(xiàn)出來的結(jié)果，是一份結(jié)構(gòu)完整、邏輯清晰、具備參考價(jià)值的專業(yè)研究報(bào)告。

整個過程，U2的表現(xiàn)像一個真正的研究團(tuán)隊(duì)負(fù)責(zé)人。接收到目標(biāo)后，它會自主拆解任務(wù)、規(guī)劃執(zhí)行路徑，并根據(jù)不同階段調(diào)用對應(yīng)工具，完成數(shù)據(jù)獲取、信息篩選、邏輯推演和結(jié)果驗(yàn)證，將多個獨(dú)立環(huán)節(jié)整合為一條完整執(zhí)行鏈路。

而在辦公場景中，U2展現(xiàn)出的則是Agent能力的更高階，多Agent協(xié)同與動態(tài)編排的情況下，持續(xù)保持穩(wěn)定執(zhí)行的狀態(tài)。

我們給U2的任務(wù)包含十余項(xiàng)約束條件，如歷史遺留問題處理、新流程設(shè)計(jì)目標(biāo)、客戶服務(wù)規(guī)范、突發(fā)情況預(yù)案以及時(shí)間安排要求，多個目標(biāo)之間還存在復(fù)雜依賴關(guān)系等。

最終，U2根據(jù)任務(wù)特性自主裂變并分配控制型、執(zhí)行型、驗(yàn)證型等不同角色，形成明確的分工陣型。它不僅生成了規(guī)范的PDF備忘錄和配套Excel日程表，還自動完成日期替換、邏輯校驗(yàn)、細(xì)節(jié)補(bǔ)充和流程優(yōu)化建議，幾乎無需修改即可投入使用。

可以看到，面對需要多領(lǐng)域知識、多步驟驗(yàn)證以及并行探索的復(fù)雜任務(wù)時(shí)，U2能夠根據(jù)任務(wù)特性自主拆分目標(biāo)，分配不同角色協(xié)同完成。

這種協(xié)作模式的價(jià)值在于，它讓模型不再依賴單線程思考，而是能夠同時(shí)探索多種可能路徑，并通過交叉驗(yàn)證持續(xù)提升結(jié)果質(zhì)量。對于復(fù)雜研究、多環(huán)節(jié)決策以及跨領(lǐng)域任務(wù)而言，這種能力意味著更高的執(zhí)行效率、更低的試錯成本以及更強(qiáng)的任務(wù)完成能力。

從軟件開發(fā)到行業(yè)研究，再到復(fù)雜辦公場景，U2展現(xiàn)出的并不僅僅是更強(qiáng)的推理能力，而是一套完整的Agent能力體系：工具調(diào)用讓它能夠行動，長程規(guī)劃讓它能夠持續(xù)執(zhí)行，多Agent協(xié)同則讓它能夠處理更復(fù)雜、更龐大的任務(wù)。

總之，從性能到真實(shí)場景落地，U2始終圍繞一個目標(biāo)：把智能真正變成生產(chǎn)力。真正優(yōu)秀的Agent，不只是會干活，而是能夠干得完、干得快、干得省，并最終創(chuàng)造持續(xù)的商業(yè)價(jià)值。從這個意義上說，U2已經(jīng)完成了從“生成答案”走向“完成任務(wù)”的一次躍遷。

2.如何把每一個Token的價(jià)值榨到極致？

為什么一個激活參數(shù)僅為10b規(guī)模的模型，能完成許多百億、千億模型都做不好的任務(wù)？

如果沿用過去三年的邏輯，這幾乎是不可能發(fā)生的事情。因?yàn)樾袠I(yè)默認(rèn)更多參數(shù)意味著更多知識，更長推理鏈才能實(shí)現(xiàn)更強(qiáng)能力。

而U2恰恰走了一條相反的路。相比生成更多Token，它更關(guān)心每一個Token是否真正創(chuàng)造價(jià)值；相比堆積更多參數(shù)，它更關(guān)注單位參數(shù)究竟承載了多少有效知識。

這也是云知聲提出“高智能密度×高Token價(jià)值”的原因。

而要實(shí)現(xiàn)這一目標(biāo)，首先要解決的是模型架構(gòu)問題。

傳統(tǒng)稠密模型往往依賴不斷擴(kuò)張參數(shù)規(guī)模提升能力，而U2從設(shè)計(jì)之初便采用了稀疏MoE架構(gòu)。每次推理過程中，模型只激活完成當(dāng)前任務(wù)所需的專家網(wǎng)絡(luò)，而不是調(diào)動全部參數(shù)參與計(jì)算。知識存儲與知識調(diào)用被有效解耦，使模型能夠在更小的激活參數(shù)規(guī)模下維持頂級任務(wù)能力。

換句話說，U2追求的是更高的參數(shù)利用率。

當(dāng)然，這些僅僅依靠更高效的架構(gòu)還遠(yuǎn)遠(yuǎn)不夠，這就要從根本上解決“思考”的問題。

今天許多推理模型都存在一個共同問題。為了得到正確答案，會生成極長的思維鏈。模型看起來思考得很認(rèn)真，但大量Token實(shí)際上消耗在中間過程，而不是最終結(jié)果上。

U2則采用了隱式思考機(jī)制。傳統(tǒng)模型需要將每一步推理都轉(zhuǎn)化為自然語言Token，而U2能夠直接在連續(xù)隱空間中完成大量中間推理，僅在關(guān)鍵決策節(jié)點(diǎn)切換回顯式推理進(jìn)行驗(yàn)證。簡單理解為，就是先在內(nèi)部完成大規(guī)模探索，再將真正有價(jià)值的推理結(jié)果呈現(xiàn)出來。

云知聲大模型事業(yè)部總經(jīng)理劉升平博士舉了一個醫(yī)療場景的例子。一份病歷生成任務(wù)，傳統(tǒng)模型往往需要輸出2000至3000個Token，而采用隱式思考技術(shù)后，U2能夠?qū)⑤敵鰤嚎s到1000個Token以內(nèi)，同時(shí)保持結(jié)果質(zhì)量。

對于用戶來說，看到的變化很直接，就是更少的Token消耗、更快的響應(yīng)速度，以及更低的推理成本。

然而，真正決定Agent能力上限的，并不是思考而是執(zhí)行。

今天很多Agent仍然依賴大量外部工作流和規(guī)則系統(tǒng)完成任務(wù)規(guī)劃、工具調(diào)用和過程控制。而U2選擇盡可能將規(guī)劃、執(zhí)行、記憶、校驗(yàn)和糾錯能力訓(xùn)練到模型內(nèi)部。劉升平把這種思路概括為一句話：“大模型做厚，Harness做薄?！?/p>

為此，云知聲將模型原生Agent能力的提升與Harness（任務(wù)執(zhí)行腳手架）的迭代優(yōu)化納入同一訓(xùn)練閉環(huán)，形成雙向強(qiáng)化的協(xié)同演進(jìn)機(jī)制。此外，云知聲通過課程學(xué)習(xí)的核心直覺模擬了人類學(xué)習(xí)規(guī)律，并基于過程獎勵信號識別出無效動作的同時(shí)，又能獎勵"看似迂回但開辟關(guān)鍵路徑"的高價(jià)值探索。

在訓(xùn)練過程中，Harness持續(xù)提供高質(zhì)量任務(wù)環(huán)境與反饋信號，而模型則不斷吸收執(zhí)行過程中的成功路徑、失敗路徑和優(yōu)化軌跡。隨著訓(xùn)練迭代推進(jìn)，原本依賴外部框架完成的能力逐漸內(nèi)化為模型本身的能力。

這也是為什么在金融研究、辦公自動化和軟件開發(fā)等復(fù)雜場景中，U2往往能夠以更少輪次完成任務(wù)。當(dāng)許多模型還在不斷確認(rèn)下一步應(yīng)該做什么時(shí)，U2已經(jīng)開始主動拆解任務(wù)、調(diào)用工具并推進(jìn)執(zhí)行。

最終，這些能力又進(jìn)一步轉(zhuǎn)化為成本優(yōu)勢。除了MoE帶來的稀疏激活機(jī)制之外，U2還通過“隱式探索+顯式驗(yàn)證”壓縮推理開銷，通過上下文自適應(yīng)記憶機(jī)制減少無效上下文累積，并利用FP8全鏈路精度優(yōu)化進(jìn)一步降低訓(xùn)練和推理成本。

因此，云知聲并沒有選擇通過堆參數(shù)、堆算力換取能力，而是試圖通過更高效的架構(gòu)、更高效的推理方式以及更原生的Agent訓(xùn)練體系，讓每一個參數(shù)承載更多知識，讓每一個Token創(chuàng)造更多價(jià)值。

如果說過去的大模型在追求“更多參數(shù)、更多Token”，那么U2追求的只有一件事，就是讓每一個激活參數(shù)承載更多知識，讓每一個生成Token創(chuàng)造更多價(jià)值。

這看似只是技術(shù)路線的不同，背后卻代表著AI行業(yè)正在從參數(shù)競賽走向價(jià)值競賽。

3.當(dāng)Agent變成生產(chǎn)力，

云知聲為什么能最先抓住機(jī)會？

云知聲的發(fā)展軌跡，某種程度上也是AI產(chǎn)業(yè)技術(shù)演進(jìn)的縮影。

從語音識別到自然語言理解，從智能交互到大模型與Agent，過去13年，云知聲始終跟隨AI技術(shù)演進(jìn)的主線前行。正因云知聲持續(xù)迭代，才能在每一次技術(shù)浪潮到來的時(shí)候，都在原有能力基礎(chǔ)上先于同行向前邁進(jìn)一步。

所以，云知聲發(fā)布的U2，更像是云知聲過去所有技術(shù)和產(chǎn)業(yè)數(shù)據(jù)積累的一次集中兌現(xiàn)。

當(dāng)大模型浪潮席卷而來時(shí)，很多公司最頭疼的問題是缺場景、缺數(shù)據(jù)、缺真實(shí)業(yè)務(wù)驗(yàn)證環(huán)境。

而云知聲手里握著的，是過去十余年沉淀下來的數(shù)據(jù)資產(chǎn)。

過去十三年里，云知聲語音識別只是入口，長期扎根于醫(yī)療、交通、IoT等復(fù)雜行業(yè)場景，手握持續(xù)沉淀下來的真實(shí)數(shù)據(jù)、業(yè)務(wù)流程和行業(yè)知識。在醫(yī)療領(lǐng)域，云知聲已經(jīng)服務(wù)超過450家醫(yī)院；在軌道交通領(lǐng)域，打造了業(yè)內(nèi)首個智慧地鐵站；同時(shí)，云知聲還為家電、車載等終端提供語音交互方案。

這些業(yè)務(wù)看似彼此獨(dú)立，但背后卻在持續(xù)沉淀了最稀缺的資產(chǎn)：真實(shí)世界的數(shù)據(jù)，以及對真實(shí)業(yè)務(wù)流程的理解。

在ChatGPT時(shí)代，這些積累看起來只是垂直行業(yè)經(jīng)驗(yàn)?？墒堑搅薃gent時(shí)代，它們開始變成訓(xùn)練模型最稀缺的養(yǎng)料。

正是基于這些積累，云知聲逐漸形成了一套獨(dú)特的“雙模型飛輪”。

一端是通用大模型，負(fù)責(zé)推理、規(guī)劃、工具調(diào)用和Agent執(zhí)行能力；另一端是醫(yī)療、智慧交通、智慧座艙等行業(yè)模型，持續(xù)沉淀垂直領(lǐng)域知識和真實(shí)場景經(jīng)驗(yàn)。

更重要的是，兩者并非獨(dú)立存在，而是在不斷相互強(qiáng)化。

每天產(chǎn)生的新業(yè)務(wù)數(shù)據(jù)、新流程和新反饋，會首先沉淀到行業(yè)模型中，形成新的專業(yè)知識和場景經(jīng)驗(yàn)；而這些經(jīng)過真實(shí)環(huán)境驗(yàn)證的知識，又會持續(xù)反哺通用大模型，讓模型學(xué)習(xí)到更接近真實(shí)生產(chǎn)環(huán)境的問題與解決方式。

于是，一個正向循環(huán)開始形成：場景產(chǎn)生數(shù)據(jù)，數(shù)據(jù)訓(xùn)練通用模型。當(dāng)通用模型能力升級，又可以為專業(yè)級模型賦能，反過來為垂直場景創(chuàng)造更多價(jià)值。

時(shí)間越久，這個飛輪轉(zhuǎn)得越快。所以，當(dāng)許多公司還在尋找落地場景時(shí)，云知聲已經(jīng)擁有了一套持續(xù)進(jìn)化的數(shù)據(jù)與知識體系。

但真正讓云知聲發(fā)生變化的，還不只是技術(shù)。上市之后，云知聲開始進(jìn)行一次內(nèi)部稱之為“二次創(chuàng)業(yè)”的組織變革。

過去，研發(fā)、平臺和項(xiàng)目交付分散在不同部門，組織結(jié)構(gòu)服務(wù)于項(xiàng)目制的商業(yè)模式；而Agent時(shí)代需要的是從模型研發(fā)到商業(yè)化落地的快速閉環(huán)。“以前我們認(rèn)為技術(shù)好就可以拿下更多客戶，但在agent時(shí)代價(jià)值驅(qū)動成為主流，光講技術(shù)有多少牛意義不大，要說清楚我們的大模型能解決多少問題，能帶來多少價(jià)值。”劉升平強(qiáng)調(diào)。

于是，云知聲開始打通研發(fā)、平臺和業(yè)務(wù)團(tuán)隊(duì)，讓模型能力、產(chǎn)品能力和商業(yè)化能力同步迭代。有意思的是，就在云知聲大模型事業(yè)部成立后沒幾天，阿里也宣布成立Token Hub事業(yè)群，將大模型部門、ToC應(yīng)用和ToB銷售合并。幾乎是相同的組織邏輯絕非巧合，這是AI行業(yè)一個即將成為主流的趨勢。

過去賣的是項(xiàng)目，未來賣的是產(chǎn)品；過去交付的是方案，未來交付的是持續(xù)創(chuàng)造價(jià)值的智能體?，F(xiàn)如今，市場已經(jīng)開始給出正向反饋。根據(jù)云知聲發(fā)布的2025年年報(bào)數(shù)據(jù)，云知聲全年實(shí)現(xiàn)總收入12.11億元，較2024年的9.39億元增長29.0%。

云知聲業(yè)績最大的亮點(diǎn)在于大模型相關(guān)業(yè)務(wù)的爆發(fā)式增長。公告顯示，該部分收入從2024年的5187萬元躍升至2025年的6.10億元，增幅超過10倍。這一數(shù)據(jù)印證了公司“強(qiáng)基模、深應(yīng)用”戰(zhàn)略在商業(yè)化落地方面的初步成效。

還有一組容易被忽略的數(shù)據(jù)。云知聲5月Token調(diào)用收入對應(yīng)的ARR環(huán)比增長約600%，預(yù)計(jì)6月仍將保持高速增長，對應(yīng)ARR有望提升至1500萬美元。

這些數(shù)字不僅意味著云知聲的產(chǎn)品開始被市場接受，更意味著它正在從一家傳統(tǒng)AI公司，轉(zhuǎn)變?yōu)橐患乙揽磕Ｐ湍芰Τ掷m(xù)創(chuàng)造價(jià)值的AI基礎(chǔ)設(shè)施公司。

當(dāng)行業(yè)開始按Token算賬，企業(yè)開始為結(jié)果買單，誰能夠把智能持續(xù)轉(zhuǎn)化為生產(chǎn)力，成為新的競爭力。

十三年前，云知聲試圖解決的是“機(jī)器如何聽懂人”；十三年后，U2試圖解決的問題已經(jīng)變成了“機(jī)器如何替人完成工作”。

從語音交互到原生Agent，從理解世界到執(zhí)行任務(wù)，云知聲走過的十三年，本質(zhì)上是在不斷縮短機(jī)器與生產(chǎn)力之間的距離。而U2，正是這條路徑走到今天交出的最新答案。

（封面圖來源：AI生成）